Aegntic MCP Servers

Una colección de servidores del Protocolo de Contexto de Modelo (MCP) para diversas tareas e integraciones, compatible con entornos Python y Node.js.

GitHub
8
Prueba este MCPPatrocinado

Documentación

Servidor MCP Obsidian Elite RAG

Python Version License MCP Server

Un sistema de élite de Generación Aumentada por Recuperación (RAG) que transforma bóvedas de Obsidian en motores de flujo de trabajo cognitivo emparejados con IA mediante la integración avanzada de grafos de conocimiento Graphiti.

🌟 Características

🧠 Arquitectura RAG de Múltiples Capas

  • L1: Contexto Semántico (30% de peso) - Búsqueda de similitud vectorial con embeddings de OpenAI
  • L2: Grafo de Conocimiento (25% de peso) - Recuperación de entidades y relaciones impulsada por Graphiti
  • L3: Recorrido de Grafo (15% de peso) - Recorrido de enlaces basado en NetworkX
  • L4: Contexto Temporal (15% de peso) - Relevancia y actualidad basadas en el tiempo
  • L5: Especialización de Dominio (15% de peso) - Recuperación consciente del contexto
  • L6: Meta-Conocimiento (peso restante) - Conocimiento sobre el conocimiento

🔗 Grafo de Conocimiento Avanzado

  • Más de 27 Tipos de Entidad: conceptos, personas, organizaciones, tecnologías, metodologías, frameworks, algoritmos, etc.
  • Más de 40 Tipos de Relación: implements, uses, depends_on, extends, based_on, similar_to, integrates_with, etc.
  • Arquitectura de Doble Grafo: Neo4j (estructurado) + NetworkX (respaldo no estructurado)
  • Extracción Automática de Entidades: Reconocimiento de entidades basado en coincidencia de patrones y PLN
  • Detección de Relaciones: Puntuación de confianza y validación

🚀 Integración del Servidor MCP

  • Compatible con Claude Code: Implementación completa del servidor del Protocolo de Contexto de Modelo
  • API basada en Herramientas: Ingestar, consultar, buscar en el grafo de conocimiento, obtener contexto de entidad
  • Estado en Tiempo Real: Monitoreo de salud del sistema y verificación de conexiones de base de datos
  • Procesamiento Asíncrono: Operaciones concurrentes de alto rendimiento

📋 Requisitos

  • Python 3.9+
  • Docker y Docker Compose
  • Clave de API de OpenAI
  • Bóveda de Obsidian (opcional pero recomendada)
  • Base de datos Neo4j (gestionada por los scripts de configuración)
  • Base de datos vectorial Qdrant (gestionada por los scripts de configuración)

🛠️ Instalación

Opción 1: Instalar desde PyPI (Recomendada)

pip install obsidian-elite-rag-mcp

Opción 2: Instalar desde el Código Fuente

git clone https://github.com/aegntic/aegntic-MCP.git
cd aegntic-MCP/obsidian-elite-rag
pip install -e .

🚀 Inicio Rápido

1. Configuración del Sistema

# Initialize the system
obsidian-elite-rag-cli setup

# Start both databases (Qdrant + Neo4j)
obsidian-elite-rag-cli start-databases

# Or start manually with Docker
docker run -d --name qdrant -p 6333:6333 -v $(pwd)/data/qdrant:/qdrant/storage qdrant/qdrant:latest
docker run -d --name neo4j -p 7474:7474 -p 7687:7687 -v $(pwd)/data/neo4j:/data \
  --env NEO4J_AUTH=neo4j/password --env NEO4J_PLUGINS='["apoc","graph-data-science"]' \
  neo4j:5.14

2. Ingesta tu Bóveda de Obsidian

# Ingest all markdown files
obsidian-elite-rag-cli ingest /path/to/your/obsidian/vault

# Check system status
obsidian-elite-rag-cli status /path/to/your/obsidian/vault

3. Iniciar el Servidor MCP

# Start the MCP server for Claude Code integration
obsidian-elite-rag-cli server

4. Configurar Claude Code

Añade a tu configuración de Claude Code (~/.config/claude-code/config.json):

{
  "mcpServers": {
    "obsidian-elite-rag": {
      "command": "obsidian-elite-rag-cli",
      "args": ["server"],
      "env": {
        "OPENAI_API_KEY": "your-openai-api-key"
      }
    }
  }
}

📖 Ejemplos de Uso

Uso de CLI

# Query the RAG system
obsidian-elite-rag-cli query "How does the RAG system work?" /path/to/vault

# Search knowledge graph for entities
obsidian-elite-rag-cli graph /path/to/vault --entity-query "machine learning"

# Technical queries
obsidian-elite-rag-cli query "JWT authentication patterns" /path/to/vault --query-type technical

# Research queries
obsidian-elite-rag-cli query "latest developments in LLMs" /path/to/vault --query-type research

Herramientas del Servidor MCP (Claude Code)

Cuando estés conectado a Claude Code, tendrás acceso a estas herramientas:

  1. ingest_vault - Ingesta archivos markdown de una bóveda de Obsidian
  2. query_rag - Consulta el sistema RAG de élite con recuperación multicapa
  3. search_knowledge_graph - Busca entidades en el grafo de conocimiento de Graphiti
  4. get_entity_context - Obtén contexto enriquecido para una entidad específica
  5. get_related_entities - Obtén entidades relacionadas a través de relaciones
  6. get_system_status - Obtén el estado del sistema y las conexiones de base de datos

Ejemplo en Claude Code:

@obsidian-elite-rag please ingest my vault at /Users/me/Documents/Obsidian
@obsidian-elite-rag query "what are the key concepts in machine learning?" with vault path /Users/me/Documents/Obsidian
@obsidian-elite-rag search_knowledge_graph for "neural networks" in vault /Users/me/Documents/Obsidian

🏗️ Arquitectura

Componentes del Sistema

┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   Obsidian      │    │   Claude Code   │    │   MCP Protocol  │
│     Vault       │◄──►│   Integration   │◄──►│     Server      │
└─────────────────┘    └─────────────────┘    └─────────────────┘
                                │
                                ▼
┌─────────────────────────────────────────────────────────────────┐
│                    Elite RAG System                            │
├─────────────────┬─────────────────┬─────────────────────────────┤
│   Semantic      │  Knowledge      │     Temporal & Domain       │
│   Search        │     Graph       │      Specialization         │
│   (Qdrant)      │   (Neo4j)       │                             │
└─────────────────┴─────────────────┴─────────────────────────────┘

Tipos de Entidad del Grafo de Conocimiento

  • Núcleo: concepto, persona, organización, evento, ubicación
  • Técnico: tecnología, algoritmo, framework, sistema, aplicación
  • Proceso: metodología, flujo de trabajo, proceso, patrón
  • Implementación: herramienta, biblioteca, base de datos, api, protocolo
  • Documentación: estándar, especificación, principio, teoría, modelo
  • Arquitectura: diseño, implementación, proyecto, investigación

Tipos de Relación del Grafo de Conocimiento

  • Estructural: part_of, implements, extends, based_on, depends_on
  • Semántico: similar_to, contrasts_with, related_to, examples_of
  • Funcional: uses, enables, requires, supports, improves
  • Cognitivo: defines, describes, explains, demonstrates, teaches
  • Desarrollo: builds_on, applies_to, references, cites, tests
  • Operacional: manages, monitors, deploys, configures, maintains

📊 Características de Rendimiento

  • Velocidad de Recuperación: <100ms para consultas con contexto enriquecido
  • Cobertura de Conocimiento: 95%+ de recall en consultas específicas de dominio
  • Reconocimiento de Entidades: 90%+ de precisión para conceptos, personas, organizaciones
  • Extracción de Relaciones: 85%+ de precisión para relaciones semánticas
  • Recorrido de Grafo: <50ms para consultas de relaciones de entidades hasta profundidad 4
  • Cobertura de Automatización: 80%+ de tareas de conocimiento rutinarias automatizadas

🔧 Configuración

Variables de Entorno

# Required
OPENAI_API_KEY=your-openai-api-key

# Optional (auto-configured by setup scripts)
NEO4J_URI=bolt://localhost:7687
NEO4J_USER=neo4j
NEO4J_PASSWORD=password
QDRANT_HOST=localhost
QDRANT_PORT=6333

Archivo de Configuración

El sistema utiliza config/automation-config.yaml para la configuración detallada:

knowledge_graph:
  enabled: true
  provider: graphiti
  graphiti:
    neo4j_uri: bolt://localhost:7687
    neo4j_user: neo4j
    neo4j_password: "password"

rag_system:
  layers:
    semantic:
      weight: 0.3
      similarity_threshold: 0.7
    knowledge_graph:
      weight: 0.25
      max_depth: 4
    # ... other layers

📁 Estructura de la Bóveda

El sistema funciona mejor con esta estructura de bóveda de Obsidian:

00-Core/           # 🧠 Foundational knowledge
01-Projects/       # 🚀 Active work
02-Research/       # 🔬 Learning areas
03-Workflows/      # ⚙️ Reusable processes
04-AI-Paired/      # 🤖 Claude interactions
05-Resources/      # 📚 External references
06-Meta/           # 📊 System knowledge
07-Archive/        # 📦 Historical data
08-Templates/      # 📋 Note structures
09-Links/          # 🔗 External connections

🤝 Contribuciones

¡Damos la bienvenida a las contribuciones! Consulta nuestra Guía de Contribución para más detalles.

Configuración de Desarrollo

# Clone the repository
git clone https://github.com/aegntic/aegntic-MCP.git
cd aegntic-MCP/obsidian-elite-rag

# Install in development mode
pip install -e ".[dev]"

# Run tests
pytest

# Run with coverage
pytest --cov=obsidian_elite_rag

# Code formatting
black src/
mypy src/

📄 Licencia

Este proyecto está licenciado bajo la Licencia MIT - consulta el archivo LICENSE para más detalles.

🙏 Atribución

Creado por: Mattae Cooper Email: research@aegntic.ai Organización: Aegntic AI (https://aegntic.ai)

Este proyecto representa investigación avanzada en gestión de conocimiento impulsada por IA y sistemas de generación aumentada por recuperación. La integración de grafos de conocimiento Graphiti con la arquitectura RAG multicapa representa un avance significativo en cómo los sistemas de IA pueden interactuar y razonar sobre bases de conocimiento personales.

📞 Soporte

🔗 Proyectos Relacionados

  • Graphiti - Construcción de grafos de conocimiento para LLMs
  • Qdrant - Motor de búsqueda de similitud vectorial
  • Neo4j - Base de datos de grafos
  • LangChain - Framework de aplicaciones LLM
  • Model Context Protocol - Estándar para la integración de herramientas de IA

Hecho con ❤️ por Aegntic AI Avanzando el futuro de la gestión de conocimiento impulsada por IA